نظام‌زاده, مهدیه السادات, وثوقی, بهزاد, غفاری رزین, سید رضا. (1402). ارزیابی تأثیر پارامترهای خورشیدی و ژئومغناطیسی در مدل‌سازی زمانی-مکانی محتوای الکترون کلی (TEC) یونسفر با استفاده از مدل‌های یادگیری ماشین. , 49(1), 153-169. doi: 10.22059/jesphys.2023.339441.1007405
مهدیه السادات نظام‌زاده; بهزاد وثوقی; سید رضا غفاری رزین. "ارزیابی تأثیر پارامترهای خورشیدی و ژئومغناطیسی در مدل‌سازی زمانی-مکانی محتوای الکترون کلی (TEC) یونسفر با استفاده از مدل‌های یادگیری ماشین". , 49, 1, 1402, 153-169. doi: 10.22059/jesphys.2023.339441.1007405
نظام‌زاده, مهدیه السادات, وثوقی, بهزاد, غفاری رزین, سید رضا. (1402). 'ارزیابی تأثیر پارامترهای خورشیدی و ژئومغناطیسی در مدل‌سازی زمانی-مکانی محتوای الکترون کلی (TEC) یونسفر با استفاده از مدل‌های یادگیری ماشین', , 49(1), pp. 153-169. doi: 10.22059/jesphys.2023.339441.1007405
نظام‌زاده, مهدیه السادات, وثوقی, بهزاد, غفاری رزین, سید رضا. ارزیابی تأثیر پارامترهای خورشیدی و ژئومغناطیسی در مدل‌سازی زمانی-مکانی محتوای الکترون کلی (TEC) یونسفر با استفاده از مدل‌های یادگیری ماشین. , 1402; 49(1): 153-169. doi: 10.22059/jesphys.2023.339441.1007405

ارزیابی تأثیر پارامترهای خورشیدی و ژئومغناطیسی در مدل‌سازی زمانی-مکانی محتوای الکترون کلی (TEC) یونسفر با استفاده از مدل‌های یادگیری ماشین

فیزیک زمین و فضا
مقاله 9، دوره 49، شماره 1، بهار 1402، صفحه 153-169    اصل مقاله (1.99 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jesphys.2023.339441.1007405
نویسندگان
مهدیه السادات نظام‌زاده1؛ بهزاد وثوقی2؛ سید رضا غفاری رزین* 3
1گروه مهندسی ژئودزی، دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران. رایانامه: m.nezamzadeh97@gmail.com
2گروه مهندسی ژئودزی، دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران. رایانامه: vosoghi@kntu.ac.ir
3نویسنده مسئول، گروه مهندسی نقشه‌برداری، دانشکده مهندسی علوم زمین، دانشگاه صنعتی اراک، ایران. رایانامه: mr.ghafari@arakut.ac.ir
چکیده
در این مقاله مقدار محتوای الکترون کلی (TEC) یونسفر  با مدل‌های یادگیری ماشین (ML)، به‌صورت مکانی-زمانی، مدل‌سازی شده و مورد ارزیابی و مقایسه قرار می‌گیرد. روش‌های رگرسیون بردار پشتیبان (SVR) و شبکه عصبی مصنوعی (ANN) جهت مدل‌سازی محلی TEC استفاده می‌شوند. نوآوری اصلی این مقاله در ارزیابی تأثیر پارامترهای فیزیکی مختلف (KP، AP، DST و F10.7) در دقت خروجی مدل‌های یادگیری ماشین است. نتایج به‌دست‌آمده از دو مدل جدید با نتایج مدل جهانی یونسفری (GIM)، مدل‌های تجربی IRI2016 و NeQuick در دو ایستگاه کنترل داخلی و یک ایستگاه کنترل خارجی مورد مقایسه قرار گرفته‌اند. شاخص‌های آماری جذر خطای مربعی میانگین (RMSE)، خطای نسبی،  dVTEC=|VTECGPS-VECmodel|و ضریب همبستگی برای ارزیابی خطای مدل‌ها، به‌کار گرفته شده است. ارزیابی تأثیر پارامترهای ژئومغناطیسی و خورشیدی در خروجی مدل‌های SVR و ANN نسبت به پارامترهای ورودی انجام و اهمیت هرکدام از پارامترهای فیزیکی در مدل‌سازی مکانی-زمانی یونسفر مورد بررسی قرار گرفته است. میانگین RMSE محاسبه شده در دو ایستگاه کنترل داخلی برای مدل‌های SVR، ANN، GIM، IRI2016 و NeQuick به ترتیب برابر با 04/1، 91/3، 0.2/3، 90/6 و 65/7 TECU شده است. همچنین میانگین ضریب همبستگی مدل‌ها در دو ایستگاه کنترل داخلی به ترتیب برابر با 97/0، 72/0، 84/0، 68/0 و 60/0 محاسبه شده است. نتایج به‌دست‌آمده از این مقاله نشان می‌دهد که در هر دو حالت فعالیت‌های ژئومغناطیسی و خورشیدی بالا و پایین، مدل SVR در ایستگاه‌های کنترل داخلی از دقت و صحت بالاتری نسبت به سایر مدل‌ها برخوردار است.
کلیدواژه‌ها
پارامترهای فیزیکی؛ یونسفر؛ GPS؛ SVR
مراجع
آمار
تعداد مشاهده مقاله: 2,047
تعداد دریافت فایل اصل مقاله: 1,457